Victor Coimbra, CTO und Managing Partner bei Artefact – Interviewreihe

Victor Coimbra ist CTO und Managing Partner bei Artefact. Dort leitet er die Arbeit in den Bereichen KI, Data Science und Engineering in ganz Amerika. In seiner Laufbahn verbindet er Erfahrung in der Geschäftsstrategie bei Bain und Accenture mit praktischer Führung bei der Entwicklung von KI- und maschinellen Lernsystemen in komplexen Unternehmensumgebungen. Sein Schwerpunkt liegt darauf, Unternehmen dabei zu helfen, technische Fähigkeiten mit messbaren Geschäftsergebnissen zu verknüpfen – einschließlich der Architektur, Governance und Betriebsmodelle, die für den Einsatz von KI in großem Maßstab erforderlich sind.

Artefact ist ein globales Beratungsunternehmen für Daten und KI, das Unternehmen dabei unterstützt, Strategien zu entwickeln, Datenplattformen aufzubauen, KI-Lösungen einzusetzen und organisatorische Veränderungen zu steuern. Das Unternehmen ist unter anderem in den Branchen Finanzdienstleistungen, Gesundheitswesen, Fertigung und Einzelhandel tätig. Im Vorfeld des Adopt AI Summit, der am 3.–4. Dezember 2026 im Grand Palais in Paris stattfindet, spricht Coimbra darüber, wie Unternehmen über Pilotprojekte hinauskommen, Teams aus Menschen und KI-Agenten aufbauen und den Wert von KI im produktiven Einsatz messen können.

Ihre Laufbahn führte Sie von der Geschäftsstrategie bei Accenture zur Leitung von KI-, Data-Science- und Engineering-Teams bei Artefact in ganz Amerika. Wie hat die Verbindung aus Strategieberatung und praktischer technischer Führung Ihren Ansatz geprägt, Unternehmen dabei zu unterstützen, ihre KI-Investitionen in messbare Geschäftsergebnisse umzusetzen?

Ich habe gelernt, KI-Strategie immer mit der Umsetzung zu verknüpfen. Durch meine Strategiearbeit bei Bain und Accenture wurde mir klar, dass Führungskräfte Veränderungen an einer Gewinn-und-Verlust-Rechnungsposition kaufen. Im Engineering habe ich gelernt, dass ein großer Teil dieses Werts zwischen der Präsentation und dem produktiven Einsatz verloren gehen kann.

Bei KI geht es heute weniger um Technologie als darum, einen Burggraben um die zentralen Geschäftsabläufe zu errichten. Entscheidend ist die Frage, wie sich die Produktivität Einzelner in einen gemeinsamen Unternehmenswert verwandeln lässt – durch eine echte, unternehmensweite gemeinsame kognitive Leistungsfähigkeit.

Dafür braucht es eine Verbindung aus Strategie und Umsetzung – und genau dabei habe ich durch meine Erfahrungen in beiden Bereichen viel gelernt.

Trotz erheblicher Investitionen in künstliche Intelligenz fällt es vielen Unternehmen weiterhin schwer, über erfolgreiche Pilotprojekte hinauszukommen. Was sind Ihrer Erfahrung nach die häufigsten Hindernisse, die verhindern, dass KI-Initiativen in Unternehmen produktiv eingesetzt werden, und worin unterscheiden sich Unternehmen, denen es gelingt, ihre Lösungen erfolgreich zu skalieren?

Meiner Erfahrung nach kommen viele Pilotprojekte ins Stocken, weil KI in Organisationen eingeführt wird, die ausschließlich für Menschen konzipiert wurden. Die Technologie funktioniert in der Regel. Oft ist jedoch noch ungeklärt, wie die Arbeit aufgeteilt wird: Welche Aufgaben übernehmen Agenten, welche bleiben bei den Menschen, wer prüft die Ergebnisse und wer trägt dafür die Verantwortung?

Darüber hinaus bremsen meist drei Anforderungen die Skalierung: Tokenkosten, die bei nutzungsabhängiger Abrechnung stark steigen, Sicherheit und Governance sowie eine Einführung, bei der aus dem bloßen Zugang nie eine tatsächliche Nutzung wird.

Unternehmen, denen die Skalierung gut gelingt, verstehen KI als organisatorische Neugestaltung. Sie teilen die Umsetzung in zwei Prozessschleifen auf. In der inneren Schleife erledigen Agenten Aufgaben durchgängig: programmieren, erstellen, testen, bereitstellen und überprüfen. In der äußeren Schleife geben Menschen die Absicht vor, prüfen das Ergebnis und überwachen Kosten und Qualität. Anschließend bauen sie eine gemeinsame Plattform als Grundlage und nutzen sie für jeden Anwendungsfall wieder.

Sie haben über die Bedeutung geschrieben, eine KI-native Organisation aufzubauen, statt bestehende Systeme lediglich um Chatbots und Copiloten zu ergänzen. Welche grundlegenden Änderungen an der Technologiearchitektur eines Unternehmens sind für diesen Wandel erforderlich, und in welchen Bereichen investieren Unternehmen derzeit zu wenig?

Ein KI-natives Unternehmen basiert auf einer Plattform, die sich aus vier Schichten zusammensetzt: Harness, Kontext, Modell und Infrastruktur. In der Harness-Schicht kommen Menschen und Agenten zusammen und arbeiten miteinander; sie umfasst die gesamte Anwendung rund um das Modell. Der Kontext legt fest, was Agenten wissen und welche Befugnisse sie haben. Die Modellschicht regelt, wie Modelle mit angemessenen Kosten zugänglich gemacht, weitergeleitet und gesteuert werden. In der Infrastruktur laufen sie tatsächlich – und dort wird auch festgelegt, wer die Schlüssel verwahrt.

Natürlich richtet sich der Großteil der Aufmerksamkeit auf die sichtbaren 20 Prozent: Copiloten und Chat-Tools. In den verborgenen 80 Prozent steckt der größte Teil der Entwicklungsarbeit; dort werden auch Kosten, Sicherheit und Kontrolle bestimmt.

Mein Vorschlag ist einfach: Kauft allgemeine Agenten-Frameworks und entwickelt branchenspezifische selbst. Nutzt Modelle und Infrastruktur als Mietlösungen und experimentiert damit, denn sie verändern sich jedes Quartal. Und behaltet die vollständige Kontrolle über euren Kontext. Diese Schicht gehört wirklich euch, und hier sehe ich die größte Gelegenheit für zusätzliche Investitionen.

Wenn sich KI von der Unterstützung einzelner Beschäftigter hin zur autonomen Ausführung komplexer Arbeitsabläufe entwickelt: Wie sollten Unternehmen feststellen, welche Prozesse sich für die Automatisierung durch Agenten eignen? Welche technischen und betrieblichen Schutzmaßnahmen müssen eingerichtet sein, bevor KI-Agenten größere Entscheidungsbefugnisse erhalten?

So sehe ich es: Agenten eignen sich sehr gut für Aufgaben, die auf die Vergangenheit ausgerichtet sind, Menschen für Aufgaben, die in die Zukunft weisen. Agenten sind besonders gut bei allem, was auf vorhandenen Informationen beruht, etwa Analysen, Programmierung, Tests, Dokumentation und Abstimmungen. Menschen übernehmen Aufgaben, die Kreativität erfordern. Kreativität ist definitionsgemäß zukunftsgerichtet: Geschmack, Vision, Planung, Entscheidungen und die Beurteilung, ob ein Ergebnis tatsächlich gut ist.

In der Praxis entspricht das den beiden Prozessschleifen. Agenten durchlaufen die innere Schleife und führen die Aufgaben aus. Menschen behalten die äußere Schleife in der Hand: Absicht, Überprüfung und Überwachung.

Die Schutzmaßnahmen sind technisch verankert und nicht bloß durch Prompts vorgegeben. Wir verwenden 6 Steuerungsebenen: Aufgabenerfassung, Gedächtnis, eine sichere Arbeitsumgebung mit isolierter Laufzeitumgebung und Berechtigungen, einen Ablauf mit Kontrollpunkten und Rückfragen, Modellrouting sowie Leitplanken, die festlegen, was ein Agent nicht eigenständig tun darf, etwa menschliche Freigaben, Richtlinienprüfungen und Kontrollen zum Schutz personenbezogener Daten. Mit zunehmender Bewährung wächst dann auch die Autonomie – genauso wie bei neuen Mitarbeitenden.

Sie haben KI-Agenten als Teamkollegen und nicht als herkömmliche Softwarewerkzeuge beschrieben. Wie verändert diese Sichtweise, wie Unternehmen Teams aufstellen, Verantwortlichkeiten zuweisen und Mitarbeitende auf die Zusammenarbeit mit zunehmend autonomen KI-Systemen vorbereiten sollten?

Wir befinden uns bereits in einer hybriden Organisation. Die Frage, die ich derzeit für die wichtigste halte, ist, wie sich die Belegschaft auf Menschen und Agenten verteilen lässt. Ich glaube, darin liegt der Schlüssel zur Skalierung.

In einem hybriden Team weist das Organigramm kognitive Kapazitäten zu, nicht Mitarbeitendenzahlen. Eine typische Aufteilung, die ich in einem reifen Tech-Team beobachte, sind 15 % ausschließlich von Menschen erledigte Arbeit, 25 % unterstützte Arbeit und 60 % Arbeit, die Agenten übernehmen. Die IT-Leitung gibt die Richtung vor, weist Kapazitäten zu und verantwortet Ergebnisse und Kosten. Ein erfahrener Entwickler prüft die Arbeitsergebnisse der Agenten und entscheidet über die Architektur. Ein Orchestrierungsagent verteilt Aufgaben und meldet die Kosten, während ein Prüfagent jedes Arbeitsergebnis kontrolliert.

Die Zugewinne verstärken sich in 3 Schritten. Mitarbeitende, die durch KI unterstützt werden, leisten rund das 5-Fache. Agenten, die als synthetische Mitarbeitende Aufgaben durchgängig erledigen, leisten rund das 10-Fache. Wenn beide als eine gemeinsame Belegschaft orchestriert werden, liegt darin meiner Ansicht nach das Potenzial für das 1000-Fache.

Auch die Weiterbildung folgt derselben Logik. Mitarbeitende lernen, einen Agenten wie einen Nachwuchsingenieur anzuleiten – mit strukturiertem Kontext und klaren Zielen – und ihre Zeit für Urteilsvermögen, Planung und Entscheidungen einzusetzen.

Unternehmensweite KI-Systeme sind in hohem Maße auf eine zuverlässige Dateninfrastruktur angewiesen. Dennoch kämpfen viele Unternehmen weiterhin mit fragmentierten Daten, uneinheitlicher Governance und veralteter Technologie. Welche grundlegenden Fähigkeiten sollten Unternehmen priorisieren, wenn sie ihre Datenplattformen auf agentenbasierte KI vorbereiten, und wie können sie diese modernisieren, ohne den laufenden Betrieb zu beeinträchtigen?

Richten Sie Ihre Datenplattform auf eine neue Art von Nutzern aus: Agenten. Eine falsche Zahl in einem Dashboard wird von einem Menschen hinterfragt. Ein Agent handelt auf Grundlage einer falschen Zahl – und zwar in großem Maßstab.

Priorisieren Sie 4 Fähigkeiten. Gemeinsame Geschäftsdefinitionen, damit jeder Agent und jedes Team unter „aktivem Kunden“ dasselbe versteht. Ein Integrationsgateway mit Authentifizierung und standardisierten Protokollen wie MCP, damit Agenten mit den Berechtigungen der Rolle auf Daten zugreifen, in deren Auftrag sie handeln. Nachvollziehbare Qualität und Datenherkunft. Außerdem müssen unstrukturierte Daten als wichtige Ressource behandelt werden, denn Verträge, Tickets und Besprechungsnotizen enthalten den Großteil des tatsächlichen Wissens.

Um ohne Unterbrechungen zu modernisieren, sollten Sie zunächst die Altsysteme einbinden und sie anschließend Anwendungsfall für Anwendungsfall migrieren. Agenten verändern auch hier die Wirtschaftlichkeit. Multi-Agenten-Migrationspipelines modernisieren inzwischen in wenigen Monaten Hunderttausende Zeilen veralteten Codes, während Menschen über die Architektur entscheiden.

Über den Zugriff auf strukturierte Daten hinaus müssen KI-Agenten zunehmend auch über institutionelles Wissen, Geschäftsprozesse und den organisatorischen Kontext Bescheid wissen. Wie können Unternehmen dieses Wissen wirksam erfassen und in ihre KI-Systeme integrieren, und welche Risiken entstehen, wenn Agenten ohne ausreichenden Geschäftskontext arbeiten?

Kontext macht aus einem Modell einen Kollegen. Werkzeuge verstehen Aufgaben, Agenten verstehen den Kontext. Man würde einen Nachwuchsingenieur nicht ohne Erklärung des Ziels, der Rahmenbedingungen und der Qualitätsmaßstäbe arbeiten lassen – für einen Agenten gilt dasselbe.

Erfassen Sie Wissen direkt bei der Arbeit, statt es in umfangreichen Dokumentationsprojekten festzuhalten, die sich nur schwer aktuell halten lassen. Jede Besprechung, jedes Ticket, jede Entscheidung und jede Korrektur fließt in eine Kontextebene ein, die Dateien, Tabellen, Vektoren und einen Beziehungsgraphen zusammenführt. Jede abgeschlossene Aufgabe wird ins Gedächtnis zurückgeschrieben, sodass die Organisation mit jeder Lieferung dazulernt. Auch der Kontext braucht eine eigene Governance: Evaluationen, Berechtigungen und Kostenkontrolle.

Ohne Kontext haben Agenten häufig mit einigen vorhersehbaren Problemen zu kämpfen. Sie halten sich an die schriftliche Regel und übersehen die ungeschriebene, die alle kennen. Sie rufen die falschen Informationen ab und antworten mit voller Überzeugung. Sie arbeiten mit den Fakten des letzten Quartals. Und eine Kontextebene ohne strenge Berechtigungen kann sensible Daten gefährden.

Viele Unternehmen messen den Erfolg von KI anhand von Produktivitätssteigerungen, Nutzungsraten oder der Zahl gestarteter Pilotprojekte. Welche Kennzahlen sollten CIOs und Führungskräfte heranziehen, um den tatsächlichen Return on Investment von KI zu bewerten – insbesondere unter Berücksichtigung der Infrastrukturkosten, des laufenden Wartungsaufwands und der betrieblichen Komplexität autonomer Agenten?

Messen Sie die hybride Belegschaft, nicht das Werkzeug. Die Nutzung ist nur die erste von 4 Stufen; als Vergleich dient immer ein vor der Einführung erhobener Ausgangswert. Bei der Nutzung geht es darum, ob die Menschen das Werkzeug verwenden. Bei der Produktivität darum, ob wir schneller liefern: Durchlaufzeit, Durchsatz, Lösungszeit. Bei der Qualität darum, ob die Ergebnisse besser sind: in den Betrieb gelangte Fehler, Fehlerrate bei Änderungen, Nacharbeit. Bei Wert und Kosten geht es darum, ob sich der Einsatz lohnt: freigesetzter Arbeitsaufwand, Markteinführungszeit, Gesamtkosten pro Aufgabe.

Eine leicht zu übersehende Kennzahl ist, wie sich die kognitiven Kapazitäten zwischen Menschen und Agenten verschieben – von Team zu Team. Freigesetzte Kapazitäten der Mitarbeitenden müssen gezielt für zukunftsorientierte Aufgaben eingesetzt werden. Andernfalls geht ein Teil des Zugewinns verloren.

Bei den Kosten geht die Preisgestaltung von Pauschalgebühren zu nutzungsabhängigen Modellen über. Dadurch werden Rechnungen schwerer vorhersehbar, weshalb Modell-Routing und FinOps vom ersten Tag an zur Plattform gehören. Behandeln Sie KI-Ausgaben wie Cloud-Ausgaben: Sie sollten sichtbar sein, einem Team zugeordnet und an den erzielten Mehrwert geknüpft werden.

Artefact arbeitet mit Unternehmen aus den Bereichen Finanzdienstleistungen, Gesundheitswesen, Fertigung, Einzelhandel und weiteren Branchen zusammen, in denen die Einführung von KI jeweils unterschiedliche Herausforderungen mit sich bringt. Welche Erkenntnisse zeichnen sich aus dem praktischen Einsatz in diesen Sektoren ab, und wie sollten Unternehmen Innovation mit regulatorischen Anforderungen, Zuverlässigkeit und menschlicher Kontrolle in Einklang bringen?

Jede Branche steht vor derselben Frage: Wie lässt sich die Arbeit zwischen Menschen und Agenten aufteilen? Was sich unterscheidet, ist, wie viel der äußeren Schleife von Menschen übernommen werden muss. Im Einzelhandel und bei Konsumgütern sind Fehler wenig kostspielig, sodass Agenten schneller einen größeren Teil der Arbeit übernehmen. In der Fertigung geben Zuverlässigkeit und die Integration in Betriebssysteme das Tempo vor. Bei Finanzdienstleistungen und im Gesundheitswesen muss jede Entscheidung nachvollziehbar sein. Deshalb übernehmen Menschen länger einen größeren Teil der Überprüfung und Entscheidungsfindung.

Die Lehre, die ich überall beobachte: Compliance funktioniert am besten als fester Bestandteil der Plattform, der von Anfang an integriert ist. Sind Leitplanken, Prüfprotokolle und menschliche Freigaben in der Ausführungsumgebung verankert, übernimmt jeder neue Anwendungsfall sie automatisch. Wird Compliance erst am Ende berücksichtigt, muss jedes neue Projekt diese Diskussion erneut führen.

Die Kontrolle sollte abgestuft sein. Bei Aufgaben mit geringem Risiko handeln Agenten selbstständig, bei mittlerem Risiko werden sie nur in Ausnahmefällen überprüft, und bei hohem Risiko bereiten sie lediglich die Entscheidung vor. Mit wachsendem Vertrauen verschieben sich die Stufen.

Da Artefacts Adopt AI Summit diesen Dezember in Paris stattfindet, gewinnen Diskussionen über KI-Souveränität, Governance und industrielle Wettbewerbsfähigkeit zunehmend an Bedeutung. Wie wird Europas Ansatz bei der Einführung von KI Ihrer Ansicht nach die globalen Strategien von Unternehmen beeinflussen, und welche Entwicklungen werden Ihrer Meinung nach die nächste Phase der Unternehmens-KI in den kommenden Jahren prägen?

Europa hat die Frage der Souveränität früh gestellt, und ich denke, sie entwickelt sich zu einem globalen Gestaltungsprinzip. Multinationale Unternehmen wollen nicht für jede Regulierung eine eigene Architektur, deshalb richten sie sich nach den strengsten Vorgaben: den eigenen Kontext behalten, Modelle mieten und kontrollieren, wo sie ausgeführt werden und wer die Schlüssel besitzt. Europas nächste Chance besteht darin, bei der Einführung von KI mit derselben Energie voranzugehen, denn Wettbewerbsfähigkeit wird durch den Einsatz in großem Maßstab entstehen.

Die nächste Phase ist das hybride Unternehmen, und ich glaube, darin liegt die Zukunft der Arbeit. Unternehmen werden nicht mehr die Zahl der Beschäftigten zählen, sondern die gemeinsame kognitive Kapazität von Menschen und Agenten steuern. Agenten übernehmen den größten Teil der rückwärtsgewandten Arbeit: Analysen, Programmierung und Berichterstattung. Menschen widmen sich der zukunftsgerichteten Arbeit: Gespür, Vision, Planung und Entscheidungen.

Ich glaube, dass die Unternehmen den Weg weisen werden, denen es zuerst gelingt, die Arbeit sinnvoll aufzuteilen. Über diese Frage möchte ich in Paris sprechen, um die kommenden Jahre zu gestalten.

Vielen Dank für das großartige Interview. Leserinnen und Leser, die mehr über die Einführung von KI in Unternehmen, agentische Arbeitsabläufe und die Transformation von Daten erfahren möchten, sollten Artefact besuchen.